جزوه پیشینه تحقیقات داخلی وخارجی درماندگی مالی و ورشکستگی

پیشینه تحقیقات داخلی و خارجی درماندگی مالی و ورشکستگی شرکت‌ها

درماندگی مالی (Financial Distress) وضعیتی در چرخه حیات بنگاه است که در آن جریان‌های نقدی عملیاتی شرکت برای پوشش دادن تعهدات مالی، هزینه‌های بهره و بدهی‌های جاری کفایت نمی‌کند. در صورت عدم اصلاح ساختار سرمایه و مدیریت بهینه بحران نقدینگی، این وضعیت به نقطه پایانی یعنی ورشکستگی رسمی (Bankruptcy) و تصفیه دارایی‌ها منجر می‌شود. مطالعه پیشینه پژوهش‌های انجام‌شده در این حوزه، سیر تحول الگوهای سنتی مبتنی بر تحلیل نسبت‌های مالی به مدل‌های نوین داده‌محور و هوش مصنوعی را به روشنی نشان می‌دهد.

۱. سیر تحول و پیشینه تحقیقات خارجی

مطالعات خارجی در حوزه پیش‌بینی درماندگی مالی و ورشکستگی را می‌توان در سه دوره تاریخی و روش‌شناختی طبقه‌بندی کرد:

الف) دوره کلاسیک و تحلیل‌های آماری تک‌متغیره و چندمتغیره

• ویلیام بیور (Beaver – 1966): به عنوان پیشگام این حوزه، با استفاده از روش تحلیل تک‌متغیره (Univariate Analysis) نشان داد که نسبت «جریان نقد عملیاتی به کل بدهی» دقیق‌ترین شاخص برای تمایز بین شرکت‌های سالم و در آستانه ورشکستگی تا پنج سال قبل از وقوع بحران است.
• ادوارد آلتمن (Altman – 1968): با معرفی مدل تحلیل تمایز چندگانه خطی (MDA) و ابداع شاخص مشهور Z-Score، انقلابی در پیش‌بینی درماندگی مالی ایجاد کرد. وی ۵ نسبت مالی کلیدی (سرمایه در گردش به دارایی، سود انباشته به دارایی، سود قبل از بهره و مالیات به دارایی، ارزش بازار حقوق صاحبان سهام به بدهی، و فروش به دارایی) را ترکیب نمود. این مدل بعدها برای شرکت‌های غیرتولیدی و بازارهای نوظهور به مدل‌های Z’ و Z” تعمیم یافت.
• اولسون (Ohlson – 1980): با نقد مفروضات سخت‌گیرانه نرمال بودن توزیع در مدل آلتمن، از مدل رگرسیون لاجیت (Logit Model / O-Score) استفاده کرد و احتمال ورشکستگی را به عنوان تابعی پیوسته بین صفر و یک تبیین نمود.
• زمیجوسکی (Zmijewski – 1984): با استفاده از تحلیل پروبیت (Probit Analysis)، رویکرد دیگری را بر پایه سنجش بازده دارایی‌ها، نسبت اهرمی و نقدینگی شرکت‌ها بنا نهاد.

ب) دوره تئوری ارزش گزینه‌ها و بازارهای ساختاری

• مدل ساختاری مرتون (Merton – 1974 / KMV): در این رویکرد، ورشکستگی به عنوان اعمال یک اختیار فروش در نظر گرفته می‌شود و زمانی رخ می‌دهد که ارزش دارایی‌های شرکت از ارزش اسمی بدهی‌ها کمتر شود. شاخص «فاصله تا نکول» (Distance to Default) برآمده از این تئوری است.

ج) دوره هوش مصنوعی و یادگیری ماشین (عصر مدرن)

• شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و الگوریتم‌های ژنتیک: پژوهشگرانی مانند تام و کیانگ (1992)، مینوشی و پنگ (2008) و تحقیقات سال‌های اخیر نشان دادند که تکنیک‌های یادگیری ماشین به دلیل انعطاف در مواجهه با روابط غیرخطی، دقت پیش‌بینی را تا بیش از ۹۰ درصد ارتقا می‌دهند.

۲. سیر تحول و پیشینه تحقیقات داخلی در ایران

در ایران، پژوهش‌های متعددی پیرامون بومی‌سازی الگوهای غربی و سنجش کارایی آن‌ها در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران صورت گرفته است:

الف) آزمون و تعدیل مدل‌های کلاسیک غربی

• دستگیر و همکاران: به بررسی و اعتبارسنجی مدل‌های Z-Score آلتمن و لاجیت اولسون در صنایع مختلف بازار سرمایه ایران پرداختند و نشان دادند ضرایب این مدل‌ها نیازمند تعدیل با شرایط تورمی و محیط کسب‌وکار ایران است.
• جهانخانی و ساسانی: کارایی نسبت‌های مالی را در پیش‌بینی درماندگی شرکت‌ها ارزیابی کرده و اهمیت عامل نقدینگی و سودآوری عملیاتی را مورد تأکید قرار دادند.
• پورحیدری و کوپائی نژاد: با طراحی یک الگوی بومی پیش‌بینی ورشکستگی با استفاده از روش رگرسیون لوجستیک، متغیرهایی همچون بازده دارایی‌ها، نسبت آنی و نسبت پوشش بهره را به عنوان متغیرهای معنادار شناسایی کردند.

ب) کاربرد الگوریتم‌های فرامُبتکرانه و هوش مصنوعی

• فروغی و رستمی: مقایسه کارایی روش‌های تحلیل تمایز چندگانه با شبکه‌های عصبی مصنوعی در پیش‌بینی درماندگی مالی؛ نتایج حاکی از برتری سامانه‌های مبتنی بر شبکه عصبی در کاهش خطای نوع اول و دوم بود.
• نمازی و ابراهیمی: ارزیابی تأثیر متغیرهای حاکمیت شرکتی (مانند استقلال هیئت‌مدیره، تمرکز مالکیت و کیفیت حسابرسی) در کنار نسبت‌های مالی بر احتمال بحران مالی، که نشان داد ضعف کنترل‌های داخلی احتمال وقوع درماندگی را تسریع می‌کند.
• پژوهش‌های نوین (تلفیق داده‌کاوی و معیارهای اقتصادی): به‌کارگیری مدل‌های یادگیری عمیق، جنگل تصادفی (Random Forest) و الگوریتم ژنتیک به همراه لحاظ متغیرهای کلان اقتصادی (مانند نرخ تورم و نوسانات نرخ ارز) در پیش‌بینی بحران شرکت‌ها.

ماتریس مقایسه الگوهای پژوهشی

• مدل‌های آماری سنتی (آلتمن، اولسون): مزایا: سادگی محاسبات و تفسیرپذیری بالا | محدودیت: فرض خطی بودن روابط و نیاز به نرمال بودن داده‌ها.
• مدل‌های ساختاری بازار سرمایه (مرتون، KMV): مزایا: استفاده از اطلاعات پویا و بهینه‌سازی‌شده بازار سهام | محدودیت: وابستگی شدید به کارایی بازار سرمایه.
• مدل‌های هوش مصنوعی و یادگیری ماشین: مزایا: دقت و قدرت تشخیص فوق‌العاده بالا و پردازش داده‌های بزرگ | محدودیت: ساختار جعبه‌سیاه (پیچیدگی تفسیر مستقیم روابط علی و معلولی).

مهم‌ترین متغیرهای تأثیرگذار در پیشینه تحقیقات

1. نسبت‌های نقدینگی و سرمایه در گردش: توانایی پاسخ‌گویی به تعهدات کوتاه‌مدت.
2. نسبت‌های اهرمی و ساختار سرمایه: میزان وابستگی بنگاه به وام‌ها و استقراض برون‌سازمانی.
3. نسبت‌های سودآوری و کارایی عملیاتی: توانایی خلق ارزش افزوده از دارایی‌های موجود.
4. عوامل حاکمیت شرکتی و رفتاری: نقش سهامداران نهادی، افشای شفاف اطلاعات و پیشگیری از رفتارهای فرصت‌طلبانه مدیریت.
5. محیط کلان اقتصادی: نوسانات نرخ بهره، تحریم‌ها، چرخه‌های تجاری و دسترسی به منابع اعتباری بانکی.

جمع‌بندی و شکاف‌های پژوهشی

مرور ادبیات و پیشینه درماندگی مالی نشان می‌دهد که پدیده ورشکستگی یک‌شبه اتفاق نمی‌افتد، بلکه فرآیندی تدریجی است. در حالی که پژوهش‌های پیشین تمرکز عمده‌ای بر داده‌های حسابداری گذشته‌نگر داشتند، پژوهش‌های متأخر به سمت یکپارچه‌سازی معیارهای مالی، عوامل حاکمیت شرکتی و شاخص‌های اقتصاد کلان با به‌کارگیری ابزارهای تحلیل کلان‌داده حرکت کرده‌اند تا امکان «هشدار زودهنگام» را برای مدیران، سرمایه‌گذاران و نهادهای مالی فراهم سازند.